Seu próximo nível começa aqui
Com a Assinatura Ilimitada, você tem tudo que precisa para sua aprovação.
Com a Assinatura Ilimitada, você combina prática, teoria e método em uma única assinatura com tudo que você precisa para sua aprovação.
- Gran Questões
- Questões
Questões de Concurso sobre Aprendizado de Máquina
Disciplina
Assunto
1
Banca
Instituição
Cargo
Ano
Carreira
Área de formação
Escolaridade
Dificuldade
Comentários:
Professores
Alunos
Meus Comentários
Vídeo
Minhas questões:
Resolvidas
Não resolvidas
Certas
Erradas
Tipo de questão:
Certo e errado
Múltipla escolha
Incluir questões:
Anuladas
Desatualizadas
Questões:
Todas as questões
Filtro simplificado
Questões
Todas as questões
549
questões
encontradas
20
Mais recentes
Uma rede neural é um programa de aprendizado de máquina que toma decisões utilizando processos que imitam a forma como os neurônios biológicos funcionam.
Com relação ao funcionamento, à aplicação e à modelagem quando se utilizam redes neurais, verifica-se que
A
as redes neurais profundas sempre convergem mais rapidamente do que redes neurais rasas devido à sua maior capacidade de modelagem.
B
as redes neurais não podem ser utilizadas para problemas de regressão; elas são exclusivamente usadas para problemas de classificação.
C
a função de ativação ReLU (Rectified Linear Unit) é preferida em redes neurais profundas porque ajuda a mitigar o problema do gradiente desaparecendo.
D
a regularização em redes neurais, como o dropout, é usada para aumentar o sobreajuste (overfitting) ao treinamento.
E
o treinamento de redes neurais é independente da função de ativação utilizada; qualquer função de ativação pode ser usada sem afetar o resultado.
Um cientista de dados está utilizando máquinas de vetor de suporte (SVM) em um projeto de classificação, pois deseja evitar o overfitting do modelo aos dados de treinamento.
Qual das seguintes técnicas auxilia a prevenir o overfitting em SVM?
A
Apagar algumas ligações da rede.
B
Garantir que o hiperplano divida perfeitamente os pontos.
C
Misturar o conjunto de teste com o de treinamento.
D
Usar todos os pontos para a tomada de decisão.
E
Utilizar um kernel linear.
Em um projeto de pesquisa avançado na área de reabilitação física, uma equipe multidisciplinar está desenvolvendo uma solução inovadora baseada em Visão Computacional e IA para auxiliar na recuperação de pacientes que sofreram lesões musculoesqueléticas.
A tecnologia precisa capturar e analisar os movimentos do corpo humano, avaliando a execução correta dos exercícios e sugerindo ajustes para garantir a eficácia da reabilitação. A tecnologia deve, ainda, ser capaz de interpretar a complexidade dos movimentos humanos, identificando posições e partes específicas do corpo e garantindo que os pacientes mantenham a postura adequada durante toda a sessão de exercícios.
Com base nessas informações, assinale a técnica de visão computacional e Inteligência Artificial fundamental para o desenvolvimento desse sistema.
A
Estimativa de Pose (Pose Estimation).
B
Detecção de Objeto (Object Detection).
C
Reconhecimento de Atividade (Activity Recognition).
D
Structure from Motion (SfM).
E
Localização e Mapeamento Simultâneos (SLAM).
Na análise de componentes principais, uma das etapas iniciais consiste no cálculo dos autovalores e autovetores da matriz de covariância dos dados originais. Considere X um conjunto de dados com n observações e p variáveis, e C a matriz de covariância dos dados, em que C é uma matriz de posto completo. Sejam os autovalores (λ) e autovetores (v) de C. Nesse contexto, a única alternativa correta será:
A
a dimensão da matriz C será n × p.
B
a dimensão da matriz C será n × n.
C
a dimensão da matriz C será p × n.
D
o número de autovalores obtidos será n.
E
o número de autovetores obtidos será p.
No aprendizado não supervisionado, o modelo é treinado com base em um conjunto de entradas (por exemplo, dados extraídos de imagens médicas de vários pacientes) e de saídas corretas associadas a cada uma dessas entradas (por exemplo, o diagnóstico de cada paciente).
C
Certo
E
Errado
Em aprendizado de máquina, o ato de separar objetos em grupos (em inglês, clusters) por meio de determinadas características de um conjunto de dados é conhecido como agrupamento (em inglês, clustering). Técnicas ou métodos de agrupamento podem ser hierárquicos ou particionais, conforme é realizada a separação dos dados. Nesse contexto, o dendrograma é:
A
um grafo cujos vértices representam os clusters e as arestas representam a distância entre eles.
B
uma árvore que exibe os clusters formados em cada iteração e os níveis de similaridade por meio de uma métrica de distâncias
C
uma rede neural cuja saída apresenta os clusters separados pelos pesos no processo de treinamento.
D
um classificador cuja resposta apresenta os clusters identificados a partir dos padrões característicos.
As arquiteturas de modelos de linguagem de larga escala (Large Language Models - LLM) surgiram recentemente, revolucionando a área de inteligência artificial nas áreas de processamento e geração de texto.
A arquitetura desses modelos baseia-se, majoritariamente, nas redes neurais do tipo transformers. Relacione as arquiteturas a seguir com suas características principais:
1. BERT
2. GPT
3. T5
( ) Utiliza decoders das redes transformer para prever novos tokens a partir de uma sequência, tornando-se ideal para a geração de textos.
( ) Utiliza encoders das redes transformer para "entender" o contexto de frases, tornando-se ideal para classificação de textos.
( ) Utiliza encoders e decoders das redes transformer, sendo adaptável a situações em que seja necessário gerar novos textos ou processar textos para "entender" o contexto das frases.
( ) Em comparação com as outras arquiteturas, tem menor necessidade de fine-tuning para melhora de performance.
A relação correta, na ordem apresentada, é
A
1 – 3 – 2 – 2.
B
2 – 3 – 1 – 3.
C
3 – 2 – 1 – 2.
D
3 – 1 – 2 – 2.
E
2 – 1 – 3 – 3.
No processo de otimização de redes neurais artificiais, diferentes métodos e técnicas são utilizados para determinar os melhores parâmetros do aprendizado. Para reduzir o overfitting, uma das técnicas amplamente utilizadas é a regularização, que apresenta como características:
A
adição de um termo que maximiza a função de custo e menor generalização.
B
redução dos pesos e maior resistência a ruídos no treinamento.
C
aumento dos pesos e maior generalização por redução dos vieses.
D
redução dos pesos e menor generalização no aprendizado.
Se vamos criar apenas uma hipótese, essa abordagem é suficiente. Mas muitas vezes acabamos criando várias hipóteses: podemos querer comparar dois modelos de aprendizado de máquina completamente diferentes, ou podemos ajustar os vários “botões” dentro de um modelo. Por exemplo, poderíamos tentar diferentes limiares para poda χ2 das árvores de decisão ou diferentes graus para os polinômios. Chamamos esses “botões” de hiperparâmetros – parâmetros da classe de modelo, não do modelo individual. Desta forma, assinale a alternativa que apresenta o que são hiperparâmetros em modelos de aprendizado de máquina.
A
Parâmetros ajustados para maximizar o erro do conjunto de teste
B
Parâmetros que são ajustados automaticamente durante o treinamento do modelo
C
Parâmetros que são ajustados apenas depois que o modelo é treinado
D
Parâmetros que determinam a estrutura do modelo, mas não são ajustados durante o treinamento
Naive bayes é um algoritmo de machine learning supervisionado que realiza classificação com base no princípio da independência condicional de classe a partir do teorema de Bayes, em que o algoritmo avalia o quanto ele contribuiu para classificar a instância como boa ou ruim, construindo uma tabela de probabilidades.
C
Certo
E
Errado
Segundo Russell (2013), a máquina de vetor de suporte ou estrutura SVM é atualmente a abordagem pré-fabricada mais popular para aprendizagem supervisionada. Com relação à estrutura SVM, assinale a opção correta.
A
São utilizadas apenas para problemas de regressão.
B
Constroem um separador de margem máxima.
C
Baseiam-se em árvores de decisão para classificar padrões.
D
São eficazes apenas em dados linearmente separáveis.
E
Utilzam um algoritmo de clustering para agrupar dados multidimensionais.
A integração de técnicas de inteligência artificial e aprendizado de máquina com assimilação de dados pode aumentar a confiabilidade das previsões por introduzir modelos orientados a dados obtidos por meio de observações. A performance dos modelos de aprendizado de máquina pode ser medida por algumas métricas, como por exemplo a métrica Mean Absolute Error (MAE).
Considere um modelo de regressão usado para prever valores de uma variável, conforme a tabela a seguir.
Valores previstos pelo modelo | Valores reais correspondentes |
5,0 | 5,2 |
5,5 | 5,2 |
4,5 | 5,0 |
4,0 | 3,8 |
4,8 | 4,5 |
O MAE para o conjunto de dados representado na tabela será
A
–0,1.
B
–0,02.
C
0,02.
D
0,102.
E
0,3.
O algoritmo de classificação Naive Bayes pode ser utilizado para o cálculo da probabilidade de ocorrência de um evento, com base em probabilidades obtidas em eventos numéricos passados, e, por isso, não pode ser empregado em atividades de classificação textual.
C
Certo
E
Errado
O aprendizado de máquina teve seus fundamentos baseados em dois métodos conhecidos como:
A
regressão linear e regressão logística;
B
análise fatorial exploratória e análise de agrupamento;
C
modelos de árvore e estimação de máxima verossimilhança;
D
bootstrap e regressão logística;
E
bagging e boosting.
A capacidade de classificação é uma tarefa importante no aprendizado de máquina, por ser utilizada no estabelecimento de padrões.
C
Certo
E
Errado
A mentalidade orientada a dados é fundamental na ciência de dados, exigindo dos profissionais um entendimento profundo sobre como interpretar e utilizar dados para tomadas de decisão eficientes. Nesse contexto, considere a seguinte situação:
Um analista de dados está trabalhando em um projeto para otimizar o desempenho de um sistema de recomendação em uma plataforma de streaming. Durante a análise, ele observa uma correlação entre o aumento na retenção de usuários e a implementação de recomendações personalizadas com base em padrões de comportamento de consumo.
Assinale a seguir a afirmação que melhor representa a mentalidade orientada a dados nesse contexto.
A
A correlação identificada sugere causalidade direta entre as recomendações personalizadas e o aumento na retenção de usuários, justificando a implementação imediata dessa abordagem.
B
Embora a correlação seja interessante, é crucial conduzir experimentos controlados para validar se as recomendações personalizadas são a causa real do aumento na retenção de usuários.
C
O analista deve descartar a correlação encontrada, pois correlações não têm relevância prática na ciência de dados, sendo necessário focar apenas em experimentos controlados.
D
A correlação entre recomendações personalizadas e retenção de usuários é uma coincidência estatística, e a verdadeira causa do aumento na retenção deve ser buscada em fatores externos não mensuráveis.
O tratamento dos dados influencia diretamente no desempenho de muitos algoritmos de aprendizado de máquina.
A respeito de métodos de normalização e padronização numéricos é correto afirmar que
A
são utilizados, principalmente, na detecção e remoção de outliers.
B
na normalização com min-max scaling é definida a média desejada para o atributo.
C
o uso da técnica min-max scaling é recomendada quando os dados apresentam outliers.
D
na padronização com z-score são determinadas a média e a variância desejadas para o atributo.
E
a padronização com z-score é empregada, usualmente, para garantir que o atributo terá apenas valores positivos.
A aplicação do algoritmo AdaBoost, utilizando classificadores SVM, permitiu a obtenção de um modelo classificador de sinais sonoros com excelente precisão. Entretanto, esse modelo possui requisitos computacionais além da capacidade da plataforma onde se deseja aplicá-lo. Considerando o problema acima descrito, a técnica a ser utilizada para contornar o problema é:
A
boosting parcial.
B
compressão.
C
poda (pruning).
D
boosting suavizado.
Algoritmos de aprendizado de máquina podem ser supervisionados, não supervisionados ou semi-supervisionados, permitindo que sistemas sejam treinados com ou sem conjuntos de dados rotulados, dependendo do objetivo do modelo.
C
Certo
E
Errado
Os sistemas de IA que utilizam aprendizado profundo (deep learning) têm um processo de treinamento rápido e requerem pouco poder computacional, tornando-os ideais para aplicações em tempo real.
C
Certo
E
Errado
Gerar simulado